XiaoMi-AI文件搜索系统
World File Search System自适应性
具有自增强自适应性能的分级多孔钢整体结构
铁是一种丰富的化学元素，自古以来就以钢和铸铁的形式用于制造工具、器皿和武器。[1,2] 钢铁目前每年的产量为 1.4 亿吨，是人类文明中最广泛利用的材料之一。[1] 如此高的产量和当前加工技术的高碳足迹，使钢铁成为现代社会减少材料对环境影响的首选材料。[3] 虽然全世界的大部分钢铁生产都用于制造致密的建筑结构元件，但人们也在探索将多孔铁块用于催化、[4] 储能、[5] 组织再生 [6] 和结构应用。[7] 对环境影响较小的轻质结构的需求日益增长，人们对此类多孔金属以及它们对旨在更有效地利用自然资源的非物质化战略的潜在贡献的兴趣日益浓厚。海绵铁是通过将矿石在熔点以下直接还原而获得的，是多孔金属最早的例子之一。[8] 由于其强度相对较低，这种多孔铁在过去被用作制造致密结构的前体。多孔金属的低强度源于众所周知的材料强度和相对密度之间的权衡。[9] 根据 Gibson-Ashby 分析模型的预测，[10] 多孔和胞状结构的强度和刚度与固相相对密度 (φ) 呈幂律关系：P∼φm，其中 P 是关注的属性，m 是缩放指数。重要的是，高度多孔的大型结构（φ<0.20）通常表现出的刚度和承载能力远低于这种简单分析模型的预期水平。 [11] 事实上，实验和计算研究表明，当材料的相对密度接近其渗透阈值时，只有一小部分固相能有效地增加多孔结构的刚度。[12,13] 这是因为在多孔网络结构整体变形过程中存在未受载荷的悬挂元素。[14]
具有领域自适应性的可解释双线性注意网络可改善药物靶标预测
预测药物-靶标相互作用是药物发现的关键。最近基于深度学习的方法表现出色，但仍存在两个挑战：（i）如何明确建模和学习药物与靶标之间的局部相互作用，以便更好地进行预测和解释；（ii）如何将预测性能推广到来自不同分布的新型药物-靶标对。在这项工作中，我们提出了 DrugBAN，这是一个具有域自适应功能的深度双线性注意网络 (BAN) 框架，用于明确学习药物与靶标之间的成对局部相互作用，并适应分布外的数据。DrugBAN 对药物分子图和靶蛋白序列进行预测，使用条件域对抗学习来对齐不同分布中学习到的相互作用表示，以便更好地推广到新型药物-靶标对。在域内和跨域设置下对三个基准数据集进行的实验表明，DrugBAN 在五个最先进的基线上实现了最佳整体性能。此外，可视化学习到的双线性注意图可以从预测结果中获得可解释的见解。
稀疏人工神经网络：自适应性能 - ...
人工神经网络是强大的机器学习系统。然而，如果权重数量过多，接近于零，网络就会变得不必要地庞大和沉重。稀疏模型会删除冗余权重，旨在以最小的准确度损失减少参数数量。稀疏进化训练过程会自适应地进化人工神经网络拓扑的权重。事实证明，这种技术可以删除大量权重，并实现比非进化或密集连接的对应技术更高的准确度，尽管连接的添加和删除遵循相对简单的算法。受人类大脑突触修剪的启发，我们提出了一种稀疏进化训练算法中权重进化的高级方法。我们建议在训练阶段随着准确度的提高逐渐删除连接。我们表明，参数数量可以显著减少，而准确度几乎不会损失，额外的计算复杂性可以忽略不计。我们在基准图像和表格数据集上训练的多层感知器上展示了该算法的性能。这项研究有助于理解稀疏人工神经网络，并朝着更高效的模型迈出了一步。